Sistema de recomendaciones soportado en un esquema de cooperación smart tv - smartphone para entornos de publicidad ubicua

Texto completo

(1)Sistema de recomendaciones soportado en un esquema de cooperación Smart TV - Smartphone para entornos de publicidad ubicua. Tesis Doctoral. MSc.Ing. Francisco Orlando Martínez Pabón. Director: PhD. Ing. Gustavo Adolfo Ramírez González. Universidad del Cauca Facultad de Ingeniería Electronica y Telecomunicaciones Doctorado en Ingeniería Telemática Departamento de Telemática Línea de Investigación en Aplicaciones sobre Internet Popayán, Junio de 2016.

(2)

(3) A Juan Francisco y Patricia Motores de mi inspiración . . ..

(4)

(5) Agradecimientos Quiero extender un agradecimiento muy especial a mi director, PhD. Gustavo Ramírez, por sus valiosos aportes y todo el apoyo brindado durante la realización de mis estudios de Doctorado. Igualmente, agradecer al Grupo de Ingeniería de Telemática, al coordinador del programa de Doctorado PhD. Álvaro Rendón y a los miembros del comité por su significativo soporte durante todo este ciclo. En el mismo sentido, quiero expresar un agradecimiento sincero a mis tutores durante las estancias de investigación que realicé en las universidades Carlos III de Madrid y Universitat Pompeu Fabra en Barcelona, PhD. Mario Muñoz Organero y PhD. Davinia Hernández-Leo respectivamente, por darme la oportunidad de compartir experiencias y acercarme a su trabajo con cada uno de los miembros de su equipo de investigadores, lo cual generó sin dudas un enriquecimiento importante en los aportes plasmados en la presente tesis doctoral. Igualmente, quiero expresar mi reconocimiento a Colciencias por darme la posibilidad de ser beneficiario de la convocatoria 567 Doctorados Nacionales, con la cual muchos estudiantes obtuvimos la financiación para llevar a cabo nuestros estudios y así tener la oportunidad de retribuir a nuestro país con conocimiento. Así mismo, mi reconocimiento a Colfuturo por su excelente gestión en la administración de los recursos de la convocatoria, y a la Vicerrectoria de investigaciones de la Universidad del Cauca quien apoyó mis estudios en la fase inicial a través de la V Convocatoria Programa de Apoyo a Proyectos de Investigación, Desarrollo e Innovación en el marco de Maestrías y Doctorados, con el proyecto ID VRI 3593 SMARTA: Modelo para el despliegue de publicidad en entornos de computación ubicua soportado en un esquema de cooperación Smart TV - Smartphone. Finalmente quiero expresar mi agradecimiento a mis colegas más cercanos durante este ciclo de trabajo Juan Camilo Ospina, Jaime Caicedo, Victor Garzón y Jhon Jairo Ibarra y por supuesto a mi familia, quienes finalmente fueron la razón de ser para iniciar este camino; gracias Juan Francisco y Patricia, por ser una fuente de motivación constante.. 5.

(6)

(7) Resumen El uso de tecnologías de computación ubicua con propósitos publicitarios, constituye un campo emergente de gran interés para grandes, medianas y pequeñas compañías. Aunque tradicionalmente los Sistemas de Recomendaciones han sido una solución para disminuir el esfuerzo cognitivo de los usuarios para encontrar ítems personalizados y de utilidad, el filtrado colaborativo clásico que frecuentemente se usa en este tipo de sistemas, necesita incluir información del contexto para ser más efectivo. Por años, el word of mouth ha sido una poderosa técnica con propósitos de marketing; en este sentido, la inclusión de información sobre el contexto social del usuario en el algoritmo de recomendación, específicamente la confianza en otros usuarios, puede convertirse en un mecanismo para recibir la influencia de las opiniones de individuos que hacen parte del círculo social más cercano del usuario objetivo, sobre un conjunto de anuncios específico. Al respecto, algunas aproximaciones usan métodos explícitos para inferir la confianza entre usuarios, mientras que otras han definido métodos implícitos para hacer la inferencia a partir de la propia matriz de ratings o de información de interacción disponible en redes sociales.. No obstante, no existe un consenso acerca de las variables que se deben usar durante el proceso de inferencia de confianza, y su integración en un sistema de recomendaciones clásico que usa filtrado colaborativo amerita un estudio más profundo. Por otro lado, el dominio de la publicidad ubicua demanda una evaluación del sistema de recomendaciones desde una perspectiva precisión/novedad. La mejora de este balance entre precisión y novedad, es un aspecto que no sólo está relacionado con el algoritmo de recomendación per se, sino también con una mejor estrategia de despliegue de los anuncios; por ejemplo, la mayoría de las iniciativas interactivas que involucran pantallas públicas y dispositivos móviles, no consideran aproximaciones multi-pantalla que distribuyan el contenido de forma complementaria entre los displays participantes. Por definición, las recomendaciones entregadas a un grupo de personas que observa una pantalla pública serán menos personalizadas que las recomendaciones desplegadas en el dispositivo personal de cada individuo (teléfono o tablet), pero probablemente resulten también más novedosas para los usuarios.. La presente investigación propone una original aproximación para un Sistema de Recomendaciones basado en confianza, soportado en un esquema de cooperación Smart TV Smartphone. Con este propósito se realizaron tres estudios complementarios: en un primer estudio, el trabajo se focalizó en el diseño de un algoritmo de inferencia de confianza 7.

(8) entre usuarios a partir de la información disponible en un red social de uso masivo como Facebook; posteriormente, en una segunda etapa se diseñó una aproximación para adaptar un algoritmo de filtrado colaborativo clásico que incorporara dicha información de confianza al momento de generar las recomendaciones. Igualmente, se diseñó un mecanismo de cooperación Smart TV - Smartphone para soportar la entrega de recomendaciones bajo un principio precisión/novedad. Durante el desarrollo de los estudios, se plantearon pruebas online y offline con el ánimo de facilitar la comprobación de las hipótesis. Específicamente, las contribuciones de la presente investigación se pueden resumir de la siguiente manera: i) un algoritmo para inferir confianza a partir de la información disponible en la red social Facebook; ii) la adaptación de un algoritmo de filtrado colaborativo clásico para incluir el componente de confianza; iii) un esquema de cooperación Smart TV - Smartphone que soporta la entrega de recomendaciones bajo una aproximación multi-pantalla, con el ánimo de mejorar el balance precisión/novedad percibido por los usuarios; iv) un método de referencia para evaluar el sistema de recomendaciones desde una perspectiva precisión/novedad. Finalmente, a partir de los resultados obtenidos se pueden evidenciar dos importantes conclusiones: la inclusión de información de confianza en el algortimo de filtrado colaborativo, puede ocasionar un detrimento en la precisión pero a costa de una mejora en la novedad de las recomendaciones; en el mismo sentido, el soporte que ofrece un esquema multipantalla para el despliegue de los anuncios, mejora igualmente el balance entre la precisión y la novedad percibida por los usuarios, lo cual evidencia que un mejor comportamiento del sistema de recomendaciones no sólo depende de la mejora de los algoritmos per-se como lo han planteado otras investigaciones, sino también de una adecuada estrategia de despliegue. Algunas limitaciones relacionadas con el manejo de la naturaleza ad-hoc en la conformación de los grupos en escenarios digital-signage, lo cual dificulta la extracción de la información desde la red social para la inferencia de confianza, o la mejora en los esquemas de seguridad del middleware Smart TV - Smartphone y su extensión a otras plataformas constituyen tópicos de interés para trabajos futuros. Palabras clave: Sistemas de recomendaciones, Inferencia de confianza, Filtrado colaborativo, Middleware Smart TV - Smartphone, Precisión/novedad.. 8.

(9) Abstract The use of pervasive computing technologies for advertising purposes is an interesting emergent field for large, medium and small companies. Although recommender systems have been a traditional solution to decrease users’ cognitive effort to find good and personalized items, the classic collaborative filtering needs to include contextual information to be more effective. For years, the “word of mouth” has been a powerful technique for marketing purposes; so, the inclusion of users’ social context information in the recommendation algorithm, specifically trust in other users, may be a mechanism for obtaining ads’ influence from other users in their closest social circle. Some approaches uses explicit methods to infer the trust between users, and others have defined implicit methods to infer trust from the ratings matrix itself or from social networks interaction information.. However, there is no consensus about the variables to use during the trust inference process, and its integration into a classic collaborative filtering recommender system deserves a deeper research. On the other hand, the pervasive advertising domain demands a recommender system evaluation from a precision/novelty perspective. The improvement of the precision/novelty balance is a matter not only related to the recommendation algorithm itself, but also a better recommendations display strategy; for example, most of public displays interaction initiatives involving mobile devices do not consider multi-screen approaches where the content is distributed between the screens in a complementary way. By definition, the recommendations for a group of people watching a public screen would be less personalized than the recommendations displayed for each individual in a personal device (e.g. Smartphone or tablet), so they could be more novel for the users.. This research proposes a novel approach for a trust based Recommender System supported on a Smart TV - Smartphone cooperation framework. Basically, three studies were done: in a first study, a trust inference algorithm between users was designed from the information of a massive used social network like Facebook; in a second phase, an approach to adapt a collaborative filtering algorithm included the trust information during the recommendations generation process. Additionally, a Smart TV - Smartphone cooperation mechanism design supported the recommendations delivery strategy under a precision/novelty principle. During the studies development, offline and online tests supported the experiments to validate the hypothesis. 9.

(10) Specifically, the following contributions may be highlighted for the current work: i) an algorithm to infer trust from the Facebook social network information; ii) a classic colaborative filtering algorithm adaptation to include the trust component; iii) a Smart TV Smartphone cooperation framework to support multi-screen recommendations delivery as a method to improve the precision/novelty balance perceived by the users; iv) a reference method to evaluate the recommender system from a precision/novelty perspective. Finally, from the results of the current work there are two important conclusions: the inclusion of trust in the collaborative filtering algorithm may affect the precision adversely but also it improves the novelty of the recommendations. On the other hand, the support of a multiscreen approach for ads delivery improves the precision/novelty balance perceived by the users; it means the improvement of the recommender system behavior not only depends on the algorithms improvements themself (which has been the target of other researches) but also a better recommendations display and delivery strategy. Some interest topics for future works are related to the management of the ad-hoc nature during the groups conformation in digital signage environments, which makes more complex the process for extracting the information for trust inference from the social network; other topics are related to the improvement of the security framework for the Smart TV - Smartphone middleware and its extension to other platforms. Keywords: Recommender systems, Trust inference, Collaborative filtering, Smart TV Smartphone middleware, Precision/novelty.. 10.

(11) Tabla de Contenido Pág.. 1 Introducción. 1. 1.1 Contexto de investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 1. 1.2 Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4. 1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6. 1.4 Contribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6. 1.5 Publicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 8. 1.6 Estructura del documento. 9. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 2 Estado del arte. 11. 2.1 Metodología de revisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2 Sistemas de recomendaciones para entornos de publicidad ubicua . . . . . . . . . 16 2.3 Sistemas de recomendaciones basados en contexto . . . . . . . . . . . . . . . . . . 18 2.4 Sistemas de recomendaciones para grupos y estrategias de despliegue. . . . . . . 21. 3 Esquema de cooperación Smart TV - Smartphone para entornos de publicidad ubicua. 25. 3.1 Análisis del dominio de la publicidad ubicua . . . . . . . . . . . . . . . . . . . . . . 25 3.2 Arquitectura base esquema de cooperación Smart TV - Smartphone . . . . . . . . 27 3.3 Middleware de cooperación Smart TV - Smartphone . . . . . . . . . . . . . . . . . 29. i.

(12) TABLA DE CONTENIDO 3.3.1. Requerimientos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29. 3.3.2. Alcance y restricciones de implementación . . . . . . . . . . . . . . . . . . . . . . 30. 3.3.3. Arquitectura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31. 3.3.4. Modelo de comunicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36. 3.3.5. Modelo de interacción. 3.3.6. Protocolo de comunicaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39. 4 Sistema de recomendaciones basado en confianza para entornos de publicidad ubicua 4.1 La confianza en entornos de publicidad ubicua. 43. . . . . . . . . . . . . . . . . . . . . 44. 4.2 Inferencia de confianza a partir de las redes sociales . . . . . . . . . . . . . . . . . 45 4.3 Filtrado colaborativo basado en confianza . . . . . . . . . . . . . . . . . . . . . . . 52 4.4 Modelo de evaluación precisión/novedad . . . . . . . . . . . . . . . . . . . . . . . . 55 4.5 Recomendaciones dirigidas a grupos . . . . . . . . . . . . . . . . . . . . . . . . . . 57. 5 Prototipo y Experimentación. 63. 5.1 Descripción del piloto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 5.2 Consideraciones del dominio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 5.3 Consideraciones sobre los datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 5.4 Pruebas offline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 5.4.1. Pruebas del sistema de recomendaciones. 5.4.2. Pruebas del middleware Smart TV - Smartphone . . . . . . . . . . . . . . . . . . 74. 5.4.3. Definición del MST (Maximun Sustainable Throughout) . . . . . . . . . . . . . . 75. ii. . . . . . . . . . . . . . . . . . . . . . . 72.

(13) TABLA DE CONTENIDO 5.4.4. Tasa efectiva de intercambio con MST . . . . . . . . . . . . . . . . . . . . . . . . 75. 5.4.5. Consumo de CPU con MST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76. 5.4.6. Variación del MST con varios Publishers . . . . . . . . . . . . . . . . . . . . . . . 76. 5.4.7. Variación del MST con varios Subscribers . . . . . . . . . . . . . . . . . . . . . . 78. 5.4.8. Variación del MST con mensajes de diferente longitud . . . . . . . . . . . . . . . 78. 5.4.9. Tiempo de conexión y latencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79. 5.5 Pruebas online . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 5.5.1. Pruebas del sistema de recomendaciones. 5.5.2. Influencia de la confianza sobre la precisión de las recomendaciones . . . . . . . 83. 5.5.3. Influencia de la confianza sobre la novedad de las recomendaciones . . . . . . . 83. 5.5.4. Influencia del esquema multi-pantalla sobre la novedad de las recomendaciones 84. 5.5.5. Influencia de la técnica de agregación sobre la novedad de las recomendaciones 86. 5.5.6. Pruebas del middleware Smart TV - Smartphone . . . . . . . . . . . . . . . . . . 87. 6 Conclusiones y trabajos futuros. . . . . . . . . . . . . . . . . . . . . . . 80. 91. 6.1 Aportes del trabajo de investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 6.2 Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 6.2.1. Filtrado colaborativo basado en confianza . . . . . . . . . . . . . . . . . . . . . . 95. 6.2.2. Middleware que soporta el modelo de cooperación Smart TV - Smartphone . . . 96. Bibliografía. 97. A Publicaciones. 1. iii.

(14) TABLA DE CONTENIDO A.1 Anexo A1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 1. A.2 Anexo A2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 A.3 Anexo A3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 A.4 Anexo A4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 A.5 Anexo A5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 A.6 Anexo A6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 A.7 Anexo A7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 A.8 Anexo A8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77. iv.

(15) Listado de Tablas Pág.. 2.1 Planeación de la vigilancia tecnológica . . . . . . . . . . . . . . . . . . . . . . . 12. 3.1 Estructura objeto MotionEvent . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2 Estructura de mensajes del protocolo . . . . . . . . . . . . . . . . . . . . . . . . 39. 4.1 Modelo predictivo para datos de medios sociales. . . . . . . . . . . . . . . . . . 47. 4.2 Primer conjunto de variables para inferir confianza desde Facebook . . . . . . 48 4.3 Resultados de la prueba de ground truth para el algoritmo de inferencia de confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.4 Fases en el proceso de recomendación grupal . . . . . . . . . . . . . . . . . . . 59 4.5 Técnicas de agregación para recomendaciones grupales . . . . . . . . . . . . . 60 4.6 Técnica de agregación Additive. . . . . . . . . . . . . . . . . . . . . . . . . . . . 61. 4.7 Técnica de agregación Least Misery . . . . . . . . . . . . . . . . . . . . . . . . . 61 4.8 Técnica de agregación Most Pleasure . . . . . . . . . . . . . . . . . . . . . . . . 62. 5.1 Contribución de los componentes de similitud y confianza para los diferentes tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 5.2 Resultados de novedad para el sistema de recomendaciones incluyendo el componente de confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 5.3 Pruebas offline middleware - características HW. . . . . . . . . . . . . . . . . . 74. 5.4 Tiempos de conexión y latencia media . . . . . . . . . . . . . . . . . . . . . . . . 79. v.

(16) LISTADO DE TABLAS 5.5 Nivel de novedad percibido técnicas de agregación . . . . . . . . . . . . . . . . 81 5.6 Nivel de novedad percibido prueba de hipótesis para las técnicas de agregación 81 5.7 Nivel de satisfacción percibido técnicas de agregación . . . . . . . . . . . . . . 82 5.8 Nivel de satisfacción percibido prueba de hipótesis para las técnicas de agregación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 5.9 Configuración de las sesiones para los tests online. . . . . . . . . . . . . . . . . 82. 5.10 Mapeo entre las acciones del usuario y la escala del sistema de recomendaciones 83 5.11 Encuesta para capturar la percepción de los usuarios durante la sesión interactiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 5.12 Influencia de la confianza sobre la novedad en las recomendaciones . . . . . . 84 5.13 Influencia del esquema multi-pantalla sobre la novedad en las recomendaciones 85 5.14 Influencia de la técnica de agregación sobre la novedad en las recomendaciones 87. vi.

(17) Listado de Figuras Pág.. 2.1 Fases vigilancia tecnológica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12. 2.2 Autores más relevantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.3 Papers más citados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14. 2.4 Revistas y conferencias más relevantes . . . . . . . . . . . . . . . . . . . . . . . 15 2.5 Estado actual del conocimiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . 16. 3.1 Arquitectura base esquema de cooperación Smart TV - Smartphone . . . . . . 28 3.2 Arquitectura del middleware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3 Middleware API . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.4 Modelo de comunicaciones Publisher/Subscriber para el middleware . . . . . . 36 3.5 Modelo de interacción para el middleware . . . . . . . . . . . . . . . . . . . . . 37 3.6 Modelo de interacción - intercambio de información. . . . . . . . . . . . . . . . 38. 3.7 Protocolo de comunicación - encapsulamiento . . . . . . . . . . . . . . . . . . . 40 3.8 Representación JSON para el gesto Swipe . . . . . . . . . . . . . . . . . . . . . 41. 4.1 Estado del arte: inferencia de confianza a partir de las interacciones entre usuarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.2 Interacción de usuarios en una red social . . . . . . . . . . . . . . . . . . . . . . 48 4.3 Validación del conjunto de variables para inferencia de confianza . . . . . . . . 50 4.4 Cálculo de porcentaje de precisión del algoritmo de inferencia. vii. . . . . . . . . . 51.

(18) LISTADO DE FIGURAS 4.5 Inclusión de confianza en el algoritmo de recomendación 4.6 Principios básicos del modelo de novedad. . . . . . . . . . . . . 54. . . . . . . . . . . . . . . . . . . . . . 56. 4.7 Componentes del sistema de recomendaciones. . . . . . . . . . . . . . . . . . . 58. 5.1 Cartelera electrónica de anuncios . . . . . . . . . . . . . . . . . . . . . . . . . . 65 5.2 Arquitectura del piloto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66. 5.3 Recomendaciones de anuncios para un perfil grupal. . . . . . . . . . . . . . . . 66. 5.4 Recomendaciones de anuncios para un perfil individual. . . . . . . . . . . . . . 67. 5.5 Control tipo pad con fines interactivos y posteo de anuncios . . . . . . . . . . . 68 5.6 Grafo de confianza para el grupo de prueba . . . . . . . . . . . . . . . . . . . . 70 5.7 Grafo de interacción social en Facebook Fundación Innovagen. . . . . . . . . . 71. 5.8 Resultados de precisión del sistema de recomendaciones para diferentes contribuciones confianza-similitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 5.9 Arquitectura de pruebas para el middleware - tests offline . . . . . . . . . . . . 74 5.10 Comparación de las tasas de envío y recepción de mensajes . . . . . . . . . . . 75 5.11 Tasa de recepción del Subscriber con MST . . . . . . . . . . . . . . . . . . . . . 76 5.12 Consumo de CPU con MST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 5.13 Variación del MST con varios Publishers . . . . . . . . . . . . . . . . . . . . . . 77 5.14 Variación del MST con varios Subscribers. . . . . . . . . . . . . . . . . . . . . . 78. 5.15 Variación del MST con mensajes de diferente longitud . . . . . . . . . . . . . . 79 5.16 Diferencia en los valores de precisión entre las sesiones de prueba . . . . . . . 84 5.17 Número de casos donde la novedad de las recomendaciones grupales es mayor 85. viii.

(19) LISTADO DE FIGURAS 5.18 Percepción de novedad de los usuarios cuando se incluye el componente de confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 5.19 Percepción de novedad de los usuarios por técnica de agregación . . . . . . . . 87 5.20 Novedad por técnica de agregación (Valor novedad recomendaciones grupales >Valor novedad recomendaciones individuales) . . . . . . . . . . . . . . . . . . 88 5.21 Consumo de CPU - Prueba online. . . . . . . . . . . . . . . . . . . . . . . . . . . 88. 5.22 Consumo de RAM - Prueba online . . . . . . . . . . . . . . . . . . . . . . . . . . 89. ix.

(20)

(21) Capítulo 1. Introducción Este capítulo describe de manera general el contexto y el problema de investigación abordado por la presente tesis doctoral. En este sentido, inicialmente se abordan los principales planteamientos que motivaron el desarrollo del presente trabajo, para luego abordar el problema identificado y las principales hipótesis que guiaron su desarrollo. Finalmente se abordan los objetivos planteados, las principales contribuciones de la presente investigación y se realiza un resumen de las publicaciones generadas en eventos y revistas especializadas.. 1.1.. Contexto de investigación. Sin lugar a dudas, la publicidad juega un papel importante como motor del comercio moderno en cualquiera de sus modalidades, al punto que grandes compañías como Google impulsan gran parte de sus ingresos a partir de contenido publicitario [1], [2]. Específicamente, la publicidad se enmarca en el contexto de la promoción, una de las áreas del marketing y se define en términos generales como un proceso de comunicación masivo diseñado para cambiar la actitud y el comportamiento de los receptores . Al respecto, Kotler y Keller elaboraron una definición que conceptúa la publicidad como “cualquier forma remunerada de presentación y promoción de ideas, bienes o servicios por parte de un auspiciante identificado” [3].. Recientemente, la publicidad ubicua se abre paso como un nuevo paradigma en el esquema de la publicidad tradicional y se define en términos simples como el uso de tecnologías de computación ubicua con fines publicitarios [4]. El concepto de computación ubicua se remonta a principios de los noventa cuando Marc Weiser concluye que “las tecnologías más profundas son aquellas que desaparecen. Ellas se entrelazan con nuestro diario vivir hasta hacerse indistinguibles” [5]: esa es la esencia de este nuevo paradigma que marca la evolución de la computación móvil. Por su parte, [6] agrega la siguiente conceptualización: “la computación ubicua describe la tendencia según la cual los dispositivos computacionales interconectados se entrelazan con los artefactos de nuestra vida diaria. Por consiguiente, el procesamiento, los sensores, la activación y la comunicación se encuentran embebidos 1.

(22) Capítulo 1. Introducción en los dispositivos y ambientes, haciendo de la computación una parte integral de nuestra vida”. De acuerdo a lo anterior, la publicidad ubicua promueve una interacción con los usuarios en un nivel más personalizado, que permite entregar información relevante en el momento y contexto adecuado [7]. En este sentido, los dispositivos móviles modernos (Smartphones) son claros candidatos para llenar los vacíos que aún enfrenta la publicidad tradicional y varios trabajos de investigación han abordado sus propuestas de publicidad ubicua con un claro soporte de las características que son inherentes a este tipo de dispositivos (disponibilidad de información de perfiles, interacción en redes sociales, sensores, localización, entre otras). En el mismo sentido, otra corriente interesante que marca la evolución de la publicidad actual, tiene que ver con los medios masivos, la cual está dirigida a una audiencia de consumidores más amplia, que no se encuentra en su sitio de residencia o trabajo, sino en sitios públicos o simplemente en tránsito mientras se dirige a un lugar en particular. En este contexto, las pantallas publicitarias (public displays) han sido ampliamente aceptadas por la comunidad y pueden encontrarse en sitios cotidianos como aeropuertos, estaciones de tren o restaurantes [8]. Esta corriente, conocida como Digital Signage1 , ha merecido un foco de atención particular en los últimos años dado su gran potencial desde el punto de vista de marketing, si se tiene en cuenta que generalmente este tipo de pantallas se ubican cerca de los sitios de decisión de compra [9]. Recientemente, el modelo de “Smart TV”, entendido en términos simples como televisores o set top boxes con capacidades de cómputo conectados a la red [10], emerge como un nuevo ecosistema de pantallas conectadas y enriquecidas a través de aplicaciones, que supone una nueva dimensión para la televisión interactiva y por supuesto un gran potencial para el Digital Signage. En un escenario más ambicioso, un esquema de cooperación Smart TV – Smartphone puede potenciar las fortalezas de ambos mundos y hacer frente a los desafíos de la publicidad moderna; el naciente modelo de Smart TV no sólo es fuerte porque a diferencia de sus antecesores integra esquemas de computación y contenido distribuido (en la nube) de una forma optimizada para la televisión o el digital signage, sino porque promueve un esquema de interacción simple con dispositivos móviles. Para el propósito del presente trabajo, el término Smartphone agrupa dispositivos móviles inteligentes (teléfonos o tabletas) con fines de interacción y despliegue; aspectos ligados a usabilidad o patrones de uso para cada familia de terminales no son considerados. Desde esta perspectiva, son muchas las oportunidades, pero también los retos que debe enfrentar la implementación de modelos de publicidad ubicua. Precisamente, el foco de la presente investigación está relacionado con uno de los principales retos a resolver: la personalización y la adaptación al contexto2 . En entornos de publicidad ubicua, los Sistemas 1. Término usado para referirse al despliegue de contenidos digitales a través de pantallas, frecuentemente ubicadas en sitios públicos [8] 2 En ciencias de la computación, los investigadores usan el término contexto para relacionar el procesamiento de información a aspectos de las situaciones en las cuales ese procesamiento ocurre [11]. 2.

(23) 1.1. Contexto de investigación de Recomendaciones (SR) entendidos como herramientas software y técnicas que proporcionan sugerencias sobre ítems de interés para un usuario [12], juegan un rol relevante, por cuanto son la base para empezar a construir sugerencias personalizadas y disminuir el esfuerzo cognitivo requerido por el usuario para asimilar la información y mejorar su grado de envolvimiento con las ofertas. Al respecto, tres aproximaciones de SR resultan de interés para el presente trabajo [13]: i) filtrado colaborativo, la cual procesa correlaciones entre usuarios para reconocer su afinidad y asociar sus evaluaciones sobre los ítems; ii) filtrado basado en contenido, el cual usa las preferencias del usuario actual y predice ratings para los ítems, con base en su grado de similitud con otros que se han evaluado en el pasado; iii) filtrado basado en confianza, el cual es una variante que enriquece el filtrado colaborativo al realizar recomendaciones de acuerdo a las preferencias del círculo social cercano del individuo objetivo; esta información hace parte del contexto del usuario de acuerdo a la taxonomía presentada en [14]. No obstante, en entornos de digital signage los sistemas de recomendaciones enfrentan nuevos desafíos, si se tiene en cuenta que las recomendaciones más que a usuarios individuales, deben ir dirigidas a grupos de usuarios [15]. Aunque en principio esta característica demanda la existencia de técnicas que permitan ofrecer recomendaciones grupales a partir de preferencias individuales, la presente propuesta explora una posibilidad aún más interesante: la capacidad de mejorar la satisfacción del usuario que se encuentra observando la pantalla tanto a nivel de precisión como a nivel de novedad, no sólo a través de la mejora de los algoritmos per se, sino también a través de una mejor estrategia de despliegue y entrega de las recomendaciones. De acuerdo a lo anterior, el contexto de investigación de la presente propuesta puede resumirse a través del siguiente escenario: Ana y Juan caminan por los pasillos de un centro comercial y deciden observar una gran pantalla que exhibe anuncios publicitarios sobre las diferentes ofertas disponibles en las tiendas. El sistema entonces detecta la presencia de estos dos usuarios y trata de calcular anuncios que se ajusten más o menos a sus preferencias. Minutos después tres personas más se acercan para observar y el sistema recalcula las recomendaciones efectuadas, lo cual puede afectar el grado de satisfacción inicial de Ana y Juan; en ese momento, cada uno de los usuarios toma su Smartphone del bolsillo y observa en la pantalla de sus dispositivo móvil recomendaciones más ajustadas a su perfil individual, sugerencias que además han sido calculadas con base en las opiniones de sus amigos más cercanos de acuerdo a la información inferida desde una red social. Este hecho tiene un impacto importante desde el punto de vista publicitario, teniendo en cuenta que el 67 % de las decisiones de compra están influenciadas por las opiniones de personas cercanas (word of mouth ). Adicionalmente, Ana y Juan observan en su teléfono una invitación para participar en un emotivo juego: califica los anuncios en la pantalla principal y obtén un 20 % de descuento en las tiendas durante las siguientes dos horas. Así, Ana y Juan usan sus teléfonos para lanzar hacia la pantalla pública (usando las capacidades del acelerómetro, por ejemplo) tomates o corazones de acuerdo a su aprobación o desaprobación con respecto al anuncio que se está exhibiendo, haciendo de la publicidad una experiencia más interactiva. 3.

(24) Capítulo 1. Introducción. 1.2.. Planteamiento del problema. En términos generales, la publicidad juega un papel trascendental en la supervivencia de grandes, medianas y pequeñas empresas. Por esta razón, las compañías buscan constantemente las mejores estrategias para promocionar sus productos y/o servicios, en aras de encontrar los segmentos de la población que puedan estar interesados en ellos. En este sentido, las empresas promueven sus campañas a través de diferentes medios como la televisión, periódicos, radio o Internet, tratando de encontrar los más adecuados para el mercado objetivo dentro de sus restricciones presupuestales. Pese a las nuevas oportunidades que encuentra la publicidad moderna a través de la evolución de medios tradicionales y masivos como la televisión o Internet, aún el talón de Aquiles sigue siendo la ausencia de contenidos suficientemente personalizados y ajustados a las preferencias de los usuarios; por naturaleza, la publicidad ha tenido una filosofía “broadcast” (sin distinción de público), especialmente en escenarios de digital signage [16]. La publicidad ubicua ofrece un nuevo paradigma que promete transformar los esquemas de publicidad tradicionales, pero enfrenta una serie de retos que serán analizados de acuerdo a las brechas identificadas en la construcción del estado actual del conocimiento (capítulo 2), alrededor de tres ejes de investigación: personalización, interactividad y persuasión. Los sistemas de recomendaciones son una herramienta útil para buscar recomendaciones personalizadas. No obstante, los SR tradicionales usan aproximaciones colaborativas, basadas en contenido o híbridas en un espacio de trabajo Usuario x Item. La publicidad ubicua, requiere la extensión de este espacio a uno más amplio que involucre el contexto del usuario (Usuario x Item x Contexto). Aunque la información contextual puede ser bastante amplia, particularmente para los entornos publicitarios es de especial interés el círculo social del usuario. Las técnicas de filtrado colaborativo, generan recomendaciones a partir de las opiniones de usuarios anónimos, pero la inferencia del grado de confianza entre usuarios al momento de generar la recomendación tiene un alto impacto en el campo publicitario dada la influencia de las personas del círculo social cercano en las decisiones de compra. Sin embargo, muchas aproximaciones infieren un valor de confianza a partir de la información de la matriz de ratings, lo cual no garantiza con exactitud la inclusión de usuarios de un círculo social cercano y aquellas aproximaciones que incluyen redes de confianza, usualmente usan esquemas propietarios a partir de redes sociales construidas para tal fin. De otro lado, la personalización en escenarios de digital signage añade una connotación grupal al conjunto de recomendaciones, con el objeto de adaptarse a las preferencias de un grupo de individuos que observa la pantalla en un momento específico. En este sentido, diversas estrategias han sido diseñadas en varios dominios de aplicación, orientadas principalmente al diseño de perfiles grupales o al cómputo de recomendaciones grupales a partir de preferencias individuales. No obstante, no se ha profundizado en la posibilidad de enriquecer la experiencia de un grupo de usuarios a través de una mejor estrategia de despliegue y entrega de las recomendaciones, que además considere la influencia de variables contextuales como el grado de confianza con usuarios de su círculo social cercano como fue 4.

(25) 1.2. Planteamiento del problema planteado anteriormente.. De igual manera, en entornos de publicidad ubicua es importante fijar los límites de la personalización con fines de persuasión3 ; ésta una de las características más importantes de la publicidad en general. Tradicionalmente, la precisión de las recomendaciones ha sido el foco de evaluación de los SR en otros dominios, pero un balance entre la precisión y la novedad en la recomendación es una característica deseable en la publicidad, con el objeto de mantener el grado de persuasión. Aunque se han abordado algunas aproximaciones para evaluar el nivel de novedad en un SR, aún no se ha explorado una aproximación concreta para entornos de publicidad ubicua.. Finalmente, el fortalecimiento de las técnicas empleadas para generar las recomendaciones en el SR es sólo una parte de la solución, pero no es suficiente para los entornos de publicidad ubicua. Específicamente en escenarios de digital signage, la búsqueda de experiencias, más que el despliegue estático de información es un valor agregado importante [18]. En este contexto, un modelo de cooperación4 Smart TV – Smartphone que soporte al sistema de recomendaciones, luce como un claro candidato para enriquecer este tipo de escenarios a través de experiencias más interactivas para los usuarios de la publicidad usando sus dispositivos móviles y más enriquecedoras a través del uso de una aproximación multi-pantalla. En este contexto, la mayoría de aproximaciones han centrado sus esfuerzos en esquemas de interacción con pantallas públicas usando dispositivos móviles con tecnologías de corto alcance como NFC o Bluetooth, pero la incorporación de modelos basados en Smart TV es incipiente y más aún considerando escenarios multi-screen, que pueden generar un impacto positivo en el despliegue y la interacción de los usuarios con las ofertas publicitarias.. De acuerdo a lo expuesto anteriormente, se plantea la siguiente pregunta para orientar el proceso de investigación del presente proyecto:. ¿Cómo construir un sistema de recomendaciones para entornos de publicidad ubicua soportado en un esquema de colaboración Smart TV – Smartphone?. En el mismo sentido, se plantean las siguientes hipótesis como referentes a desarrollar en la presente tesis doctoral y que serán retomadas más adelante:. H1: la inclusión de esquemas de cooperación multipantalla para la entrega de recomendaciones mejoran el balance precisión/novedad 3. Tecnología de persuasión: “usar computadores para cambiar lo que pensamos y hacemos [17] Se entiende por cooperación, la capacidad de desplegar contenidos complementarios en la pantalla pública y los Smartphones, usando un protocolo de interacción específico y manteniendo un procesamiento independiente en cada dispositivo. 4. 5.

(26) Capítulo 1. Introducción H2: la inclusión de información de confianza en el algoritmo de filtrado colaborativo contribuye positivamente en el mejoramiento del balance precisión/novedad. 1.3.. Objetivos. A continuación se resumen los objetivos planteados para el desarrollo de la presente tesis doctoral: Objetivo general Proponer un sistema de recomendaciones apoyado en un esquema de cooperación Smart TV – Smartphone para entornos de publicidad ubicua. Objetivos específicos Evaluar algoritmos de filtrado colaborativo para generar recomendaciones dirigidas a perfiles individuales y grupales en un entorno publicitario. Adaptar un algoritmo de filtrado colaborativo para incluir información contextual del usuario a partir de su red de confianza. Construir un esquema de cooperación Smart TV – Smartphone que soporte la entrega de recomendaciones bajo el principio precisión/novedad en un entorno de digital signage. Evaluar el sistema de recomendaciones construido considerando aspectos de precisión y novedad en la calidad de la recomendación.. 1.4.. Contribuciones. El aporte investigativo del presente proyecto se centra en la propuesta de un sistema de recomendaciones para entornos de publicidad ubicua, específicamente en escenarios de digital signage, que expande el espacio Usuario x Item tradicional a un espacio Usuario x Item x Contexto, incorporando información de confianza entre usuarios a partir de su círculo social cercano, la cual es inferida desde una red social de uso masivo como Facebook. Esto permitirá mejorar la calidad de las recomendaciones a nivel grupal e individual teniendo en cuenta aspectos de precisión y novedad. Igualmente, la incorporación de un modelo de cooperación Smart TV – Smartphone para apoyar el despliegue de las recomendaciones, busca enriquecer el enfoque tradicional de public display haciéndolo más interactivo a través de una aproximación multi-pantalla. A través de este esquema, se permite la visualización de recomendaciones grupales en el televisor, al tiempo que se usa la pantalla de los teléfonos para interactuar con ellas o incluso, para habilitar la recepción de recomendaciones personalizadas más acordes al perfil individual del usuario. De otro lado, este 6.

(27) 1.4. Contribuciones esquema favorece igualmente el modelo de persuasión, dado que las recomendaciones grupales que se observan en el televisor pueden resultar novedosas para cada usuario del grupo con respecto a la información que se entregar de acuerdo a sus perfiles individuales, una contribución significativa en entornos de digital signage [19].. Por otro lado, la incorporación de este tipo de modelo, acerca esquemas publicitarios novedosos a los pequeños y medianos comerciantes, redefiniendo incluso, el concepto de publicidad como tradicionalmente se conoce. De acuerdo a la definición de Kotler y Keller presentada al principio de este capítulo, la forma remunerada para la promoción de bienes y servicios, se produce porque generalmente los auspiciantes no son los dueños de los canales publicitarios (canales de televisión, periódicos o páginas Web) y en medios masivos como la televisión, los costos suelen ser muy elevados. Bajo la aproximación propuesta, un modelo de publicidad apoyado en un esquema de cooperación Smart TV - Smartphone puede ser más asequible para el pequeño comerciante, reduciendo incluso los costos al brindarle la posibilidad de ser el dueño del canal publicitario.. A continuación, se resumen de manera general los principales aportes de la presente tesis doctoral: Algoritmo de inferencia de confianza a partir de la información disponible en la red social Facebook : el algoritmo desarrollado calcula un score de confianza para cada uno de los amigos de un usuario objetivo de acuerdo a la información de sus interacciones en la red social Facebook. Específicamente, se usaron cuatro variables durante el proceso de inferencia (mensajes en el inbox, comentarios, posts en el muro y tags), partiendo de la experiencia de investigaciones previas y validaciones realizadas a través de pruebas de ground truth. Algoritmo de filtrado colaborativo basado en confianza: se modifica un algoritmo de filtrado colaborativo clásico para incluir el componente de confianza que se obtiene a través del procedimiento al que se hizo referencia en el aporte anterior. Específicamente, se diseña una ecuación que pondera la contribución de los componentes de similitud (el cual se calcula a través de un coeficiente de correlación de Pearson, Spearman o equivalente) y confianza, lo cual facilita el ajuste del comportamiento del sistema de recomendaciones en la práctica de acuerdo al balance de precisión y novedad esperado. Esquema de cooperación Smart TV - Smartphone como soporte de un sistema de recomendaciones: el middleware desarrollado habilita una comunicación transparente entre dispositivos Smart TV y Smartphones con fines no sólo interactivos sino a nivel de despliegue multi-pantalla, lo cual constituye la esencia de un esquema en el cual los dispositivos cooperan para ofrecer contenidos complementarios en cada una de las pantallas. Conceptualmente, la idea de soportar un sistema de recomendaciones a través de un esquema de cooperación de este tipo constituye una novedad importante 7.

(28) Capítulo 1. Introducción con respecto a investigaciones previas que han concentrado sus esfuerzos en la mejora de los algoritmos de recomendación per se, obviando los beneficios que se pueden obtener a través de una mejor estrategia de despliegue en cuanto a precisión y novedad. Aunque se tuvo la oportunidad de diseñar un piloto interesante para escenarios de digital signage, las características del middleware lo hacen fácilmente adaptable a otros dominios. Método de referencia para evaluar un sistema de recomendaciones desde una perspectiva precisión/novedad para entornos de publicidad ubicua: a partir del framework presentado por [20], se define una métrica para cuantificar de forma simple la novedad en las recomendaciones teniendo en cuenta aspectos relacionados con el ranking (posición en la lista) y la relevancia de las sugerencias para los usuarios. Esto permite comparar y ajustar el balance entre la precisión y la novedad del sistema de recomendaciones, teniendo en cuenta las características del esquema multi-pantalla sobre el cual se encuentra soportado, una característica deseable en el dominio de la publicidad ubicua.. 1.5.. Publicaciones. Como resultado del proceso de desarrollo de la presente tesis doctoral, se publicaron los siguientes papers en revistas y eventos especializados: Francisco Martinez-Pabon, Juan Camilo Ospina-Quintero, Gustavo Ramirez-Gonzalez, and Mario Munoz-Organero,“Recommending Ads from Trustworthy Relationships in pervasive environments” Mobile Information Systems, vol. 2016, Article ID 8593173, 2016. Categoría Colciencias: A2. JCR indexed, Impact Factor: 0.949. (Anexo 1). Francisco Martinez-Pabon, Jaime Caicedo-Guerrero, Jhon Jairo Ibarra-Samboni, Gustavo Ramirez-Gonzalez, and Davinia Hernández-Leo,“Smart TV - Smartphone Multiscreen Interactive Middleware for Public Displays” The Scientific World Journal, vol. 2015, Article ID 534949, 2015. Categoría Colciencias: A1. JCR indexed (Listed 2013), Impact Factor: 1.219. (Anexo 2). Francisco Martinez-Pabon, Juan Camilo Ospina-Quintero, Gustavo Ramirez-Gonzalez, “Recommender System supported on a Smart TV - Smartphone cooperation framework for pervasive advertisement environments” presented at CITA 2015, VII Congreso Iberoamericano de Telemática, Simposio Doctoral. Popayán (Colombia), 10 - 12 Junio 2015. Categoría Colciencias: N/A (Anexo 3). Kalpani Manathunga, Davinia Hernandez-Leo, Jaime Caicedo-Guerrero, Jhon Jairo Ibarra-Samboní, Francisco Martinez-Pabon, and G. Ramirez-Gonzalez,“Collaborative Learning Orchestration Using Smart Displays and Personal Devices” in Design for Teaching and Learning in a Networked World, G. Conole, T. Klobucar, C. Rensing, J. Konert, and È. Lavoué, Eds. Springer International Publishing, pp. 596–600, LNCS Volume 9307, 2015. Categoría Colciencias: A2 (Anexo 4). 8.

(29) 1.6. Estructura del documento Francisco Martinez-Pabon, Jaime Caicedo-Guerrero, Jhon Jairo Ibarra-Samboni, Gustavo Ramirez-Gonzalez, Mario Munoz-Organero and Angela Chantre-Astaiza,“Smart TV – Smartphone Cooperation Model on Digital Signage Environments: An Implementation Approach” presented at the IARIA Mobility 2014, The Fourth International Conference on Mobile Services, Resources, and Users. París (Francia), 20 - 24 Julio 2014. Categoría Colciencias: N/A (Anexo 5). Francisco Martinez-Pabon, Juan Camilo Ospina-Quintero, Victor Garzon-Marin, Angela Chantre-Astaiza, Mario Munoz-Organero and Gustavo Ramirez-Gonzalez,“Enriching Public displays Ads recommendations using an individual - group cooperation model” presented at the ACM Pervasive Displays 2014, The Third International Symposium on Pervasive Displays. Copenhage (Dinamarca), 3 - 4 Junio 2014. Categoría Colciencias: N/A (Anexo 6). Francisco Martinez-Pabon, Victor Garzon-Marin, Juan Camilo Ospina-Quintero, Jhon Jairo Ibarra-Samboni, Jaime Caicedo-Guerrero, Angela Chantre-Astaiza, and Gustavo Ramirez-Gonzalez,“Sistema de recomendaciones para entornos de Digital Signage soportado en un esquema de cooperación Smart TV-Smartphone” Revista Ingenierías Universidad de Medellín, vol. 24, no. 13, pp. 181–196, 2014. Categoría Colciencias: A2 (Anexo 7). Francisco Martinez-Pabon, Gustavo Ramirez-Gonzalez and Angela ChantreAstaiza,“Modelo conceptual para el despliegue de publicidad ubicua soportado en un esquema de cooperación Smart TV - Smartphone” Revista Ciencia e Ingeniería Neogranadina, vol. 24, no. 1, pp. 116–142, 2014. Categoría Colciencias: B (Anexo 8).. 1.6.. Estructura del documento. A continuación se describe brevemente el contenido de cada uno de los capítulos subsiguientes que componen el presente documento: Capítutulo 2: realiza un análisis de los trabajos relacionados más importantes para el contexto de la presente investigación, identificando las brechas de conocimiento que finalmente demarcaron el foco de trabajo de la tesis doctoral. Capítutulo 3: describe los aspectos fundamentales del esquema de cooperación Smart TV - Smartphone que se ha construido para soportar la entrega de recomendaciones en un entorno de publicidad ubicua. Capítutulo 4: describe los aspectos más relevantes relacionados con la construcción del sistema de recomendaciones, el cual utiliza un filtrado colaborativo que incorpora información de confianza que se infiere de la red social de los usuarios, más específicamente de la red social Facebook. Capítutulo 5: describe el conjunto de pruebas que se realizaron para evaluar diferentes aspectos del sistema de recomendaciones para entornos de publicidad ubicua 9.

(30) Capítulo 1. Introducción basado en un esquema de cooperación Smart TV - Smartphone. En términos generales, el entorno de pruebas se desarrolla alrededor de un piloto en el dominio de Digital Signage que permite hacer una evaluación de manera integral tanto a nivel del sistema de recomendaciones (teniendo en cuenta aspectos de precisión/novedad) como a nivel del middleware Smart TV - Smartphone que soporta el modelo de cooperación construido. Capítutulo 6: se plantean las conclusiones más relevantes de la tesis doctoral y se describen algunos trabajos futuros que pueden emerger a partir de la presente investigación.. 10.

(31) Capítulo 2. Estado del arte Este capítulo realiza un análisis de los trabajos relacionados más importantes para el contexto de la presente investigación, identificando las brechas de conocimiento que finalmente demarcaron el foco de trabajo de la tesis doctoral. En primera instancia, se describirá la metodología de revisión utilizada en la construcción del estado del arte y posteriormente se realizará un análisis de trabajos previos más relevantes en tres categorías específicas: sistemas de recomendaciones para entornos de publicidad ubicua, sistemas de recomendaciones basados en contexto y sistemas de recomendaciones para grupos y estrategias de despliegue.. 2.1.. Metodología de revisión. La revisión del estado del conocimiento para la presente tesis doctoral, se abordó a través de una perspectiva de vigilancia tecnológica, la cual se define como “la búsqueda, detección, análisis y comunicación de informaciones orientadas a la toma de decisiones sobre amenazas y oportunidades externas en el ámbito de la ciencia y tecnología” [21]. En términos generales, se abordaron cuatro fases para la construcción del estado del arte (Figura 2.1): Planeación: identifica las necesidades de información y el enfoque de la vigilancia tecnológica sobre el tema de interés. Durante esta fase, fue definido el objetivo de la vigilancia, se identificaron las fuentes de información más relevantes y las palabras clave que orientaron el proceso de búsqueda de información. En la tabla 2.1, se presenta un resumen al respecto. Haciendo referencia a las palabras clave, inicialmente se realizó una búsqueda preliminar utilizando un conjunto de cinco palabras clave: Ubiquitous advertising, Pervasive Advertising, Contextual Advertising, Pervasive Computing, Ubiquitous Computing y Smart TV. A partir de un estudio preliminar de los abstracts de los papers arrojados por la búsqueda, fue posible determinar que algunas palabras clave arrojaban resultados irrelevantes para el contexto de investigación. A partir de este primer filtro, se tomó la decisión de enfocar el análisis en los resultados de las búsquedas realizadas a partir de las palabras clave señaladas en la tabla 2.1. 11.

(32) Capítulo 2. Estado del arte. Figura 2.1: Fases vigilancia tecnológica. Fuente Propia.. Objeto general del estudio. Objeto específico del estudio. Identificación de fuentes de información. Palabras clave. Construir una visión general del estado actual del conocimiento en el área de la publicidad ubicua Identificar los focos de investigación más relevantes Identificar los autores más relevantes Identificar las revistas y eventos más destacados en la temática Google Scholar ACM Digital Library IEEE Xplore Digital Library Science Direct Pervasive advertising, ubiquitous advertising, contextual advertising. Tabla 2.1: Planeación de la vigilancia tecnológica. 12.

(33) 2.1. Metodología de revisión Búsqueda y captación: durante esta fase se realiza el proceso de búsqueda usando las fuentes de información identificadas, de acuerdo a los objetivos planteados en la fase anterior. El principal resultado de esta fase, es la construcción de un corpus compuesto por los papers más relevantes sobre la temática del proyecto, que constituyen el insumo básico para el análisis que se realizará en la siguiente fase. En total se identificaron más de 200 papers. Análisis: en esta fase se realiza un análisis exhaustivo de la información del corpus construido en la fase anterior, de acuerdo a los objetivos planteados para el esquema de vigilancia tecnológica. Para este propósito, se tuvo el soporte de dos paquetes software: Matheo Analyzer y Publish or Perish. Matheo analyzer, es un software de apoyo a la toma de decisiones que permite crear un cuadro de mando con mapas de información, síntesis e indicadores a partir de grandes conjuntos de información [22]. Por otro lado, Publish or Perish, es un software libre que permite conocer el impacto de las publicaciones a través de la información que se obtiene de Google Scholar [23]. A manera de demostración sobre algunos resultados descriptivos, la figura 2.2 resume autores relevantes identificados, la figura 2.3 muestra algunos de los artículos más citados y finalmente la figura 2.4 condensa algunas conferencias de interés.. Figura 2.2: Autores más relevantes. Fuente Matheo Analyzer.. Comunicación: el objetivo de esta fase, es presentar los resultados obtenidos durante el proceso de análisis realizado en la vigilancia tecnológica, los cuales fueron socializados en el seminario de investigación realizado al interior del Doctorado y que además 13.

(34) Capítulo 2. Estado del arte. Figura 2.3: Papers más citados. Fuente Matheo Analyzer.. 14.

(35) 2.1. Metodología de revisión. Figura 2.4: Revistas y conferencias más relevantes. Fuente Matheo Analyzer.. fueron condensados en el artículo Modelo conceptual para el despliegue de publicidad en entornos de computación ubicua soportado en un esquema de cooperación Smart TV - Smartphone.. De manera general, los resultados del proceso de vigilancia tecnológica se pueden resumir en los siguientes puntos: i) aunque la publicidad ubicua es un área de investigación que se ha venido cultivando desde hace varios años, el contexto de investigación planteado, que además considera un entorno de cooperación Smart TV - Smartphone, ha sido poco explorado; como soporte a esta evidencia, la mayoría de trabajos relacionados han sido publicados en eventos, más que en revistas especializadas; ii) un análisis más profundo de las publicaciones más relevantes, demuestra que existe un énfasis importante en el área de digital signage y el uso de Smartphones con fines de publicidad ubicua, pero no se considera un contexto propiamente dirigido a la incorporación del modelo de Smart TV; iii) adicionalmente, es posible inferir la importancia de los sistemas de recomendaciones en la búsqueda de entornos personalizados, pero su aplicación en entornos de publicidad ubicua, especialmente en escenarios de digital signage, es aún materia de investigación. En síntesis, como resultado del proceso de vigilancia tecnológica se construyó un modelo conceptual compuesto por los tópicos más relevantes de investigación en la temática (figura 2.5). A partir de las conclusiones generadas, se realizó la elección del foco de trabajo de la presente tesis doctoral el cual estuvo dirigido al mejoramiento de los algoritmos de recomendación involucrando información de contexto, pero soportado en un mejor esquema de despliegue para los anunciones publicitarios a través de un esquema Smart TV Smartphone bajo las hipótesis descritas en el capítulo anterior. 15.

(36) Capítulo 2. Estado del arte. Figura 2.5: Estado actual del conocimiento. Fuente Propia.. De acuerdo al contexto del trabajo de investigación y al foco seleccionado, los trabajos relacionados se han agrupado en tres categorías para facilitar su presentación: sistemas de recomendaciones para entornos de publicidad ubicua, sistemas de recomendaciones basados en contexto y sistemas de recomendaciones para grupos y estrategias de despliegue.. 2.2.. Sistemas de recomendaciones para entornos de publicidad ubicua. Los sistemas de recomendaciones (SR) basan su funcionamiento en las teorías de minería de datos (data mining) y aprendizaje automático (machine learning) y han sido estudiados desde hace más de dos décadas [24]. Al respecto, algunos trabajos condensan los conceptos, algoritmos y técnicas más relevantes de este campo: [25], [26] realizan un compendio interesante sobre la evolución de las investigaciones relacionadas con sistemas de recomendaciones en un contexto general; igualmente, algunas plataformas como Mahaut de Apache [27] o Lenskit [28] han surgido como soporte en la construcción de SR tanto en el contexto comercial como académico. Por otro lado, varios trabajos han abordado los problemas comunes a los sistemas de recomendaciones tradicionales desde diferentes perspectivas: los sistemas basados en contenido y filtrado colaborativo, sufren la existencia del problema del usuario o ítem nuevo (cold start) cuando no se tiene la cantidad de ratings suficientes para realizar la recomendación; al respecto, [29], [30] proponen algunas técnicas que pueden ser complementadas con la utilización de filtros basados en comunidad, según 16.

(37) 2.2. Sistemas de recomendaciones para entornos de publicidad ubicua lo sugieren las investigaciones de Golbeck [31] y Massa [32]. Otros problemas, relacionados con la dispersión de los datos (pocos ratings para gran parte de los ítems disponibles), han sido abordados en [33–36]; por otro lado, la combinación de los diferentes tipos de filtrado para robustecer las capacidades del SR, conocido como filtrado híbrido, han sido ampliamente estudiados a través del empleo de diferentes técnicas [37–42]. No obstante, aunque el aporte conceptual es importante para el marco de cualquier trabajo relacionado con SR, el dominio de aplicación es un aspecto fundamental y ninguna de estas investigaciones se ubica específicamente en el campo de la publicidad ubicua. Al respecto, [43] señala que “el desarrollador de un sistema de recomendaciones para un dominio de aplicación específico, debería entender los requerimientos particulares del dominio, sus desafíos y limitaciones de aplicación”; de esta afirmación, se deduce que aunque los sistemas de recomendaciones comparten un núcleo común, el dominio de aplicación fija importantes pilares a la investigación que se pretenda realizar. En este sentido, algunas investigaciones han empezado a recorrer el camino para caracterizar el dominio de la publicidad ubicua como insumo básico de cualquier trabajo de investigación en esta área. [4], [18] ofrecen una conceptualización interesante sobre la publicidad ubicua, sus principales características, retos y oportunidades; asimismo, se realiza una descripción de las tecnologías clave en la implementación de modelos de este tipo. Al respecto, [44], [45] plantean un marco de referencia relacionado con dicha implementación, pero principalmente orientado a teléfonos móviles y usuarios individuales, sin hacer énfasis en sistemas de recomendaciones. Por su parte, [46] analiza algunos aspectos relacionados con el desarrollo de sistemas de recomendaciones en diferentes dominios y específicamente [15] realiza un estudio preliminar sobre la implementación de SR en entornos publicitarios a través de una aproximación colaborativa con un énfasis especial en la adquisición de información y preferencias de usuario, incluyendo información contextual relacionada con la localización, actividad en curso y hora del día. Sin embargo, aunque se plantea una aproximación para representar la información del usuario, la adquisición de las preferencias se realiza de forma explícita y no se profundiza en el esquema de generación de las recomendaciones como tal. Con respecto a este último punto, es importante tener en cuenta que los sistemas de recomendaciones, especialmente aquellos que usan filtrados colaborativos, generalmente son procesos estocásticos que son aproximaciones heurísticas de procesos humanos [47]. Por consiguiente, la experimentación y las métricas de evaluación que se aplican a los algoritmos son elementos clave para determinar su rendimiento en muchos aspectos; [48], [49] presentan una descripción detallada de las métricas frecuentemente usadas, incluyendo además un marco metodológico para su aplicación. En este contexto, frecuentemente la precisión de los algoritmos al momento de generar las recomendaciones es una preocupación constante, pero en entornos de publicidad ubicua lograr una alta precisión podría traducirse en recomendar ítems que son suficientemente conocidos por los usuarios [50]. Por esta razón, la novedad en las recomendaciones es un aspecto deseable en este tipo de entornos y constituye un insumo importante para lo que se conoce como tecnología de persuasión, 17.

(38) Capítulo 2. Estado del arte una característica deseable en entornos publicitarios; en este sentido, una manera palpable de lograr su implementación es mejorando el grado de novedad en las recomendaciones, ofreciendo alternativas que pueden llegar a ser interesantes para los usuarios. Aunque su enfoque no es precisamente en el dominio de la publicidad ubicua, algunos trabajos han abordado el tema: [50] propone nuevas direcciones centradas en el usuario para evaluar los RS, entre las cuales se encuentra el grado de novedad; [51] analiza el rol de la cobertura y la novedad como indicadores de la calidad de la recomendación y presenta algunos métodos para medirlo e interpretar los resultados; por su parte, [52] propone un algoritmo para generar recomendaciones novedosas, tomando como insumo el tiempo de búsqueda que cada usuario invertiría para encontrar un ítem novedoso sin la presencia del SR, partiendo de la hipótesis que el grado de sorpresa es proporcional al tiempo de búsqueda estimado; otra estrategia propuesta por [53] enriquece un algoritmo de recomendación basado en grafos con un conocimiento de sustento que permite encontrar correlaciones ocultas entre los items para proporcionar sugerencias no obvias y por ende más novedosas. No obstante, el trabajo realizado por [20] presenta un framework formal para la definición de métricas de novedad y diversidad que unifica diferentes aproximaciones que se encuentran en la literatura; específicamente, el ranking (posición en la lista) y la relevancia del item son incluidos a través de un modelo de navegación probabilístico sobre las recomendaciones. Esta aproximación constituye un punto de partida importante para los propósitos de la presente tesis doctoral, teniendo en cuenta la posibilidad de adaptarlo a los requerimientos específicos del dominio de la publicidad ubicua como se verá en la sección 4.4 del capítulo 4.. 2.3.. Sistemas de recomendaciones basados en contexto. La construcción de SR para entornos de publicidad ubicua agrega nuevos retos a los focos de investigación que tradicionalmente se han abordado como fue descrito en la sección anterior. En primer lugar, los SR convencionales operan en un espacio bidimensional Usuario x Item. Sin embargo, la publicidad ubicua requiere la incorporación de información del contexto que debe ser tenida en cuenta al momento de formular la recomendación, lo cual sugiere la ampliación del espacio tradicional Usuario x Item a un espacio Usuario x Item x Contexto. Al respecto, [54] y [55] realizan algunos aportes para el modelamiento del contexto del usuario en entornos más generales, mientras que [56] va un paso más allá y define una metodología para la caracterización del contexto en entornos de publicidad ubicua; en el mismo sentido, [57] y [58] examinan algunas técnicas para la incorporación de información contextual en los SR y [15] plantea la incorporación de algunos datos relacionados con el contexto de localización en un entorno de publicidad. No obstante, el enriquecimiento de los perfiles es clave para propósitos de publicidad, más allá de la disponibilidad de ratings [59].. En este sentido, [11] plantea una conceptualización más profunda sobre el contexto en entornos de publicidad ubicua que incluye una taxonomía que parte del modelo de Schmidt [60], en donde se incluye el ambiente social como parte del contexto del usuario. Desde el 18.

(39) 2.3. Sistemas de recomendaciones basados en contexto punto de vista de los SR para entornos de publicidad ubicua, esta conclusión resulta interesante si se tiene en cuenta que los SR colaborativos tradicionales basan sus modelos de predicción en las opiniones de usuarios anónimos; la inclusión de redes basadas en confianza derivadas del entorno social del usuario podría mejorar el impacto de las recomendaciones para el usuario objetivo, si se tiene en cuenta que un reporte de Mckinsey/Thompson se establece que el 67 % de las decisiones de compra están influenciadas por personas cercanas [61]. Este es un foco de especial interés para la presente propuesta de investigación. Al respecto, dada la naciente exploración que se tiene en este campo, los resultados de las investigaciones son aún diversos. [31], [32] reportan que las recomendaciones basadas en redes sociales no son más precisas que las derivadas a partir de los filtros colaborativos clásicos, excepto en casos especiales donde los ratings de los usuarios para un ítem específico son altamente controversiales, o cuando se usan como alternativa para solucionar los inconvenientes asociados a los “usuarios” o “items” nuevos (cold start). Otros trabajos han demostrado que en algunos casos, la adición de datos sociales a los sistemas tradicionales mejora los resultados de las recomendaciones con respecto a los datos de similitud de perfiles [62], [63]. Recientemente, un ingrediente adicional se ha sumado a las investigaciones en este escenario: la confianza entre usuarios; en términos simples, una red de confianza se refiere a una red social que expresa qué tanto confían los miembros de una comunidad entre sí [31]. Un ejemplo de esta aproximación puede evidenciarse en la red social Epinions.com [64], la cual mantiene una red de confianza al indagar en los usuarios acerca de las personas en las cuales confían. Los sistemas de recomendaciones basados en esta técnica, usan el conocimiento que se origina a partir de las relaciones de confianza para brindar recomendaciones más personalizadas a través de operadores de propagación y agregación, lo cual permite a los usuarios recibir recomendaciones de ítems que han logrado una alta calificación por parte de los usuarios en su red o aún por las personas que hacen parte de las redes de confianza de estos individuos. En general, la inclusión de confianza en los sistemas de recomendaciones puede ser estudiada desde dos aproximaciones: cuando la información de confianza se captura de forma explícita desde los usuarios o cuando la información se infiere a partir de la información de los usuarios. Con respecto a la primera aproximación [32] extendió un algortimo de recomendación clásico al incluir una matriz de confianza que complementa la matriz de ratings, para reemplazar el mecanismo de predicción tradicional por un algoritmo que calcula la propagación de confianza en la red y la reemplaza por la similitud. [31] desarrolló Film Trust, un sitio Web que usa la confianza inferida desde una red social propietaria para ofrecer recomendaciones de películas; el trabajo se enfoca en determinar como crear interfaces para representar las conexiones entre usuarios basado en la información que ellos mismos han proporcionado, usando un algoritmo denominado Tidal Trust. Otras aproximaciones similares pueden ser consultadas en [65], [66]. Con respecto a la inferencia de confianza, algunos trabajos toman como base la matriz de ratings. Por ejemplo, [67] propone una variante del algoritmo kNN (k-nearest neighbour) el 19.